使用时间序列分析进行预测

预测是一种在时间序列分析中广泛使用的方法，用于预测指定时间段内的响应变量，例如每月利润、股票表现或失业数据。预测是基于现有数据中的模式进行的。例如，一位仓库经理可以基于前 12 个月的订购活动预测接下来的 3 个月中需要订购多少产品。

您可以使用多种时间序列方法（例如，趋势分析、分解或单指数平滑）对数据中的模式建模，然后将这些模式外推至未来。可以基于模式是静态（在一段时间内恒定）还是动态（随时间改变）、趋势和季节性分量的性质以及要提前多久预测来选择分析方法。生成预测之前，对数据拟合多个候选模型以确定最稳定和最准确的模型。

在单纯预测中，时间 t 的预测是时间 t -1 处的数据值。您可以通过将移动平均长度设置为 1 来使用移动平均过程计算单纯预测值，或者通过将权重设置为 1 来使用单指数平滑过程计算单纯预测值。可以使用单纯预测来为时间序列模型建立基准。对单纯模型的准确度度量和使用其他方法的模型的准确度度量进行比较。如果单纯模型的拟合度好，就不应当使用另一个模型，因为单纯模型拟合得好而且更简单。

时间 t 处的拟合值是时间 t-1 处的非中心移动平均。预测是移动原点处的拟合值。如果提前 10 个时间单位预测，则每个时间的预测值将是原点处的拟合值。原点之前的数据用于计算移动平均。

通过计算连续移动平均，可以使用线性移动平均法。当数据中存在趋势时，通常使用线性移动平均法。首先，计算并存储原始序列的移动平均。然后，计算并存储先前存储的列的移动平均以得到第二个移动平均。

在单纯预测中，时间 t 的预测是时间 t -1 处的数据值。使用移动平均长度为 1 的移动平均过程会得到单纯预测。

时间 t 处的拟合值是时间 t-1 处的平滑值。预测是预测原点处的拟合值。如果提前 10 个时间单位预测，则每个时间的预测值将是原点处的拟合值。原点之前的数据用于进行平滑。

在单纯预测中，时间 t 的预测是时间 t -1 处的数据值。执行权重为 1 的单指数平滑会得到单纯预测。

双指数平滑使用水平和趋势分量生成预测。对时间点 t 向前 m 个周期的预测为：

L_t + mT_t，其中 L_t 是水平，T_t 是时间 t 处的趋势。

预测原点时间之前的数据将用于进行平滑。

Winters 方法使用水平、趋势和季节性分量来生成预测。对时间点 t 向前 m 个周期的预测为：

L_t + mT_t

其中 L_t 是水平，T_t 是时间 t 处的趋势，乘以（或对于加法模型为加上）前一年相同周期的季节性分量。

Winters 方法使用预测原点时间之前的数据来生成预测。